血液中的生物标志物在癫痫研究中既是重要的科研工具，有助于提升对神经生物学的理解，也是有价值的临床工具，可用于更精准的诊断和随访。一个有趣的问题是，相较于单个标志物值，标志物模式是否能提供额外的理解。我们分析了一项大型癫痫队列的OLINK蛋白质组学数据，在之前的研究中已发现四种差异表达蛋白（CDH15、PAEP、LTBP3、PHOSPHO1）。通过两种机器学习技术，我们确定了十种共识候选蛋白标志物（CDH15、PAEP、LTBP3、PHOSPHO1、NEFL、SFRP1、TDGF1、DUSP3、WWP2和DSG3），它们在区分患者是否有癫痫发作方面发挥了作用。在这十种共识蛋白中，六种在之前的研究中被鉴定为差异表达（尽管NEFL和TDGF1在多重检验校正后未达到显著性水平）。其余四种共识蛋白则由机器学习新鉴定，并被选作详细分析对象。
与四种显著差异表达的蛋白相比，新鉴定的共识蛋白（SFRP1、DSG3、DUSP3和WWP2）以及特别是所有八种蛋白的组合，在识别近期有癫痫发作的个体时表现优于单一蛋白，突显了多蛋白谱型的潜力。这些发现强调了在癫痫研究中整合生物信息学方法的必要性，并突出了神经炎症和免疫通路在癫痫发生中的作用。我们的结果支持通过血浆蛋白分析开发未来基于血液的癫痫预测、诊断和治疗方法的可行性。需要在独立队列中进一步验证以确立这些候选标志物在临床实践中的应用。
(全文结束)
